【发布时间】：2019-02-01 02:58:44
【问题描述】：
我正在尝试了解SVR 模型。
为此，我查看了 SVM，这对我来说很清楚。但是关于 SVR 没有太多的解释。
第一个问题是为什么它被称为支持向量回归或者我们如何使用vectors 来预测数值？
另外我不明白一些参数，如epsilon 和gamma。它们如何影响预测结果？
【问题讨论】：
标签： machine-learning regression
【发布时间】：2019-02-01 02:58:44
【问题描述】：
SVM 从您的特征中学习所谓的决策函数，这样来自正类的特征会产生正实数，而来自负类的特征会产生负数（至少在大多数情况下） ，具体取决于您的数据）。
对于两个特征，您可以在 2D 平面中对其进行可视化。该函数为平面中的每个点分配一个实际值，该值可以表示为颜色。 This plot 将值显示为不同的蓝色。
导致零的特征值形成所谓的决策边界。
这个函数本身有两种参数：
- 内核依赖参数。对于径向基函数，这些参数是
epsilon和gamma，它们是您在学习之前设置的。 - 以及在学习过程中确定的所谓支持向量。 支持向量只是决策函数的参数。
学习只不过是确定好的支持向量（参数！）。
在这个2d example video 中，颜色不显示实际的函数值，而只显示符号。您可以看到gamma 如何影响决策函数的平滑度。
回答你的问题：
SVR 构建了这样一个功能，但目标不同。该函数不会尝试将正面结果分配给您的正面示例，并将负面结果分配给负面示例。
相反，该函数被构建为近似给定的数字结果。
【讨论】：
-
谢谢，这是一个关于伽玛影响的好视频，但仍然不清楚SVR。